Chatbot, Workflow, Agent: wo ist der Unterschied?
Ein Chatbot beantwortet eine Frage und ist dann fertig. Ein Workflow arbeitet eine feste Reihenfolge ab, die jemand vorher festgelegt hat: Mail kommt rein, Absender prüfen, in Ordner A oder B schieben. Ein Agent bekommt ein Ziel und ein paar Werkzeuge und sucht sich den Weg selbst.
In der Praxis verschwimmt das. Vieles, was gerade als „KI-Agent“ verkauft wird, ist ein Workflow mit einem Sprachmodell an einer Stelle. Das ist kein Vorwurf – meistens ist genau das die richtige Lösung. Man sollte nur wissen, was man kauft.
Wie sieht ein Agent von innen aus?
Ein Beispiel aus meiner eigenen Arbeit: Für log-sysdev.de und wischtig.de läuft eine Strecke, die Blogbeiträge entwirft. Das Modell schreibt einen Entwurf, ein zweiter Durchgang prüft, ob der Text lang genug ist, ein dritter, ob er echte Umlaute enthält, und vor dem Veröffentlichen liest das System den eigenen Beitrag noch einmal gegen.
Die Umlaut-Prüfung gibt es, weil ein Beitrag auf wischtig.de einmal komplett mit „fuer“ und „laesst“ herauskam, bis in die Überschrift. Das Modell hatte den Stil der Anweisungen übernommen, die selbst ohne Umlaute geschrieben waren. Solche Fehler fallen in keiner Demo auf, sondern erst im echten Betrieb. Deshalb besteht ein brauchbarer Agent zum größten Teil aus Prüfungen, nicht aus dem Modell.
Wofür lohnen sich Agenten heute?
Gut funktionieren Aufgaben, bei denen ein Fehler auffällt, bevor er Schaden anrichtet:
- Recherche und Vorbereitung: Angebotsentwürfe aus Anfrage, Preisliste und früheren Angeboten
- Sortieren und Weiterleiten von Anfragen, die zu verschieden für feste Regeln sind
- Texte entwerfen, die ein Mensch vor dem Versand liest
- Daten aus unordentlichen Quellen zusammentragen, zum Beispiel Lieferscheine als Foto
Wo Agenten (noch) Geld verbrennen
Überall dort, wo am Ende etwas Verbindliches passiert, ohne dass ein Mensch draufschaut: Zahlungen auslösen, Verträge verschicken, Kunden endgültige Zusagen machen. Ein Agent, der in fünf Prozent der Fälle danebenliegt, ist für Entwürfe brauchbar und für Überweisungen nicht.
Der zweite Kostenpunkt ist leiser. Agenten rufen das Modell pro Aufgabe oft zehn- oder zwanzigmal auf. Was in der Demo ein paar Cent kostet, wird bei tausend Vorgängen im Monat zum Posten in der Buchhaltung. Bei meinen eigenen Strecken dauern einzelne Modellaufrufe zudem gelegentlich mehrere Minuten – lang genug, dass ein vorgeschalteter Dienst wie Cloudflare die Verbindung nach gut zwei Minuten kappt, wenn man nicht darauf achtet.
Woran erkennt man, ob ein Agent nötig ist?
Eine einfache Probe: Lässt sich der Ablauf auf einem Blatt Papier als Wenn-dann-Liste aufschreiben, ohne dass sie unendlich lang wird? Dann reicht ein Workflow, etwa mit n8n, eventuell mit einem einzelnen KI-Schritt zum Lesen oder Formulieren. Erst wenn die Liste ständig um Ausnahmen wächst, wird ein Agent interessant.
Ich baue in solchen Fällen fast immer zuerst den Workflow. Er ist in ein paar Tagen fertig, und man sieht schnell, an welchen Stellen er tatsächlich an seine Grenzen stößt. Dort kommt dann ein Agent hin – nicht überall.
Was braucht ein Agent, damit man ihm trauen kann?
- Klare Grenzen: welche Werkzeuge er benutzen darf und welche nicht
- Eine Freigabe durch einen Menschen vor allem, was nach außen geht
- Ein Protokoll, aus dem hervorgeht, welcher Schritt warum passiert ist
- Eine Obergrenze für Modellaufrufe pro Aufgabe, damit ein Fehler nicht teuer wird
- Tests mit echten Fällen aus Ihrem Betrieb, nicht mit Beispielen aus der Demo